MétaCan
Menu
Retour à la cohorte
Enregistrement W2621050123

Canadian Academic Health Science Centres: Developing a Framework to Address Compensation, Academic Productivity, Performance and Quality

2017· dissertation· en· W2621050123 sur OpenAlexfundaboutno aff
Wendy Ulla Kubasik

Notice bibliographique

RevueTSpace (University of Toronto) · 2017
Typedissertation
Langueen
DomaineMedicine
ThématiqueHealth and Medical Research Impacts
Établissements canadiensnon disponible
Organismes subventionnairesOffice of International Science and EngineeringUniversity of Toronto
Mots-clésProductivityQuality (philosophy)Compensation (psychology)Health scienceEngineering managementBusinessPolitical scienceMedical educationMedicinePsychologyEngineeringEconomic growthEconomics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Academic leaders and policymakers are faced with a series of difficult and complex decisions around methods of assessing and compensating academic physicians with regards to their performance. Despite the introduction of Alternative Funding Plans by many provincial governments, concerns around the reliance on clinical revenues to fund components of the medical school’s academic mission, increased competition for research grants, physician compensation costs coupled with the rising costs of education and health care delivery, the prevalence of institutional ranking systems and pressures to demonstrate accountability, have all endured. While anecdotal evidence on the types of compensation and academic productivity frameworks exists, studies or literature on the prevalence of these models and their effectiveness within Canadian Academic Health Science Centres (AHSCs) are limited. \nThis dissertation uses an emergent, multi-phase, mixed methods research methodology to explore the methods used to compensate and assess Canadian academic physicians. This dissertation provides methodological, empirical and theoretical contributions to knowledge. Empirically, the phase 1 national survey of academic leaders achieved a 61% response rate (39 respondents), and confirmed that AHSCs use various systems to compensate, assess and incentivize academic physicians. Phase 2 consisted of three mixed methods case studies (three institutions, three provinces, four clinical academic departments and five different compensation models) to analyze the academic productivity of 150 academic physicians over a five-year period between 2006 and 2011. Qualitative data were gleaned from the interviews of academic leaders. Methodologically, a new quantitative and bibliometric assessment model – the K-MAAP© – was developed to analyze the research outputs and impact of those included in the sample, calculate research return-on-investment and efficiency. Theoretically, elements of contract theory, incentives, and behavioural economics were utilized. Behavioural economics is an emergent, hybrid field that seeks to reconcile the gap between standard economic theories and cognitive theories by showing how people actually do behave, and not just how they are expected to behave. A new type of incentive which emerged during the case study research – called a “placebo incentive” – was also described. \nSeveral policy implications are presented including methods to fund AHSCs; methods to fund academic physicians; the use of incentives in academic medicine; accountability, metrics and productivity assessments; and systems-level issues related to the alignment of incentives and compensation programs. This information is important for policy makers, AHSCs, hospitals, physician associations, practice plans and academic leaders as they seek research addressed at understanding the efficacy of the models used to compensate, assess, motivate and reward academic physicians for scholarly tasks.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,008
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,897
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,141
Tête enseignante GPT0,451
Écart entre enseignants0,310 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueTSpace (University of Toronto)Même sujetHealth and Medical Research ImpactsTravaux en français237 207